Статистика и прогозирование

Третий  подход нацелен на минимизацию разброса окончательных результатов. Средние  потери при этом могут быть выше, чем при первом, но того, кто принимает  решение, это не волнует - ему нужна  максимальная определенность будущего, пусть даже ценой повышения потерь.

Четвертый подход сочетает в себе первый и  третий, хотя и довольно примитивным  образом. Проблема ведь в том, что  управление риском в рассматриваемом  случае - это по крайней мере двухкритериальная  задача - желательно средние потери снизить (другими словами, математическое ожидание доходов повысить), и одновременно уменьшить показатель неопределенности - дисперсию. Хорошо известны проблемы, возникающие при многокритериальной оптимизации.

Наиболее  продвинутый подход - пятый. Но для  его применения необходимо построить  функцию полезности. Это - большая  самостоятельная задача. Обычно ее решают с помощью специально организованного  эконометрического исследования.

Если  неопределенность носит интервальный характер, т.е. описывается интервалами, то естественно применить методы статистики интервальных данных (как  части интервальной математики), рассчитать минимальный и максимальный возможный  доходы и потери, и т.д.

Разработаны различные способы уменьшения экономических  рисков, связанные с выбором стратегий  поведения, в частности, диверсификацией, страхованием и др. Причем эти подходы  относятся не только к отдельным  организациям. Так, применительно к  системам налогообложения диверсификация означает использование не одного, а системы налогов, чтобы нейтрализовать действия налогоплательщиков, нацеленные на уменьшение своих налоговых платежей. Однако динамика реальных экономических систем такова, что любые формальные модели дают в лучшем случае только качественную картину. Например, не существует математических моделей, позволяющих достаточно точно спрогнозировать инфляцию вообще и даже реакцию экономики на одноразовое решение типа либерализации цен.

Необходимость применения экспертных оценок при оценке и управлении рисками.

Из сказанного выше вытекает, что разнообразные  формальные методы оценки рисков и  управления ими во многих случаях (реально  во всех нетривиальных ситуациях) не могут дать однозначных рекомендаций. В конце процесса принятия решения - всегда человек, менеджер, на котором  лежит ответственность за принятое решение.

Поэтому процедуры экспертного оценивания естественно применять не только на конечном, но и на всех остальных  этапах анализа рассматриваемого организацией проекта, используя при этом весь арсенал теории и практики экспертных оценок.

При этом нецелесообразно полностью отказываться от использования формально-экономических  методов, например, основанных на вычислении чистых текущих (приведенных, дисконтированных) потерь и других характеристик. Использование  соответствующих программных продуктов  полезно для принятия обоснованных решений. Однако нельзя абсолютизировать формально-экономические методы. На основные вопросы типа: достаточно ли высоки доходы, чтобы оправдать  риск, или: что лучше - быстро, но мало, или долго, но много - ответить могут  только менеджеры с помощью экспертов.

Поэтому система поддержки принятия решений  в организации должна сочетать формально-экономические  и экспертные процедуры.

Разработка  системы поддержки принятия решений  в организации, нацеленной на оценивание рисков и управление ими - не простое  дело. Укажем несколько проблем, связанных  с подобной работой. Совершенно ясно, что система должна быть насыщена конкретными численными данными  об экономическом состоянии региона, страны, возможно и мира в целом. Добыть такие данные нелегко, в частности, потому, что сводки Российского статистического  агентства (ранее - Госкомстата РФ) искажены (подробнее о состоянии теории и практики статистики в России см. главу 1 и статью ). В частности, мы занялись изучением инфляции именно потому, что наши данные по этому показателю превышали данные Госкомстата РФ примерно в 2 раза Зарубежные источники типа учебного пособия также содержат неточности. Так при составлении балансовых соотношений для макроэкономических показателей по данным выяснилось, что государство должно иметь дополнительный источник доходов в несколько сотен миллиардов долларов, а доходы бизнеса имеют излишек в 30 миллиардов долларов. Другими словами, популярное учебное пособие [16] содержит данные, не согласующиеся друг с другом. Ошибка ли это авторов или сознательная фальсификация с целью скрыть от читателей характеристики американской экономики - не будем здесь обсуждать.

При решении  рассматриваемых вопросов могут  оказаться полезными известные  публикации по методам учета финансового  риска [17, 18]. При использовании широкого арсенала статистических методов необходимо учитывать особенности их развития в России и СССР, наложившие свой отпечаток на современное состояние  в области кадров и литературных источников.

Подходы к управлению рисками

Чтобы управлять, надо знать цель управления и иметь возможность влиять на те характеристики риска, которые определяют степень достижения цели. 

Обычно  можно выделить множество допустимых управляющих воздействий, описываемое  с помощью соответствующего множества  параметров управления. Тогда указанная  выше возможность влиять на те характеристики риска, которые определяют степень  достижения цели, формализуется как  выбор значения управляющего параметра. При этом управляющий параметр может  быть числом, вектором, быть элементом  конечного множества или иметь  более сложную математическую природу.

Основная  проблема - корректная формулировка цели управления рисками. Поскольку существует целый спектр различных характеристик  риска (например, если потери от риска  моделируются случайной величиной), то оптимизация управления риском сводится к решению задачи многокритериальной оптимизации. Например, естественной является задача одновременной минимизации  среднего ущерба (математического ожидания ущерба) и разброса ущерба (дисперсии  ущерба).

Как известно, для любой многокритериальной задачи целесообразно рассмотреть множество  решений (т.е. значений параметра управления), оптимальных по Парето. Эти решения  оптимальны в том смысле, что не существует возможных решений, которые  бы превосходили бы Парето-оптимальные  решения одновременно по всем критериям. Точнее, превосходили бы хотя бы по одному критерию, а по остальным были бы столь же хорошими. Теория Парето - оптимальных  решений хорошо развита. Ясно, что для практической реализации надо выбирать одно из Парето - оптимальных решений. Как выбирать? Разработан целый спектр подходов, из которых выбор может быть сделан только субъективным образом. Таким образом, снова возникает необходимость применения методов экспертных оценок.

Эксперты  могут выбирать непосредственно  из множества Парето - оптимальных  решений, если оно состоит лишь из нескольких элементов. Или же они  могут выбирать ту или иную процедуру  сведения многокритериальной задачи к  однокритериальной.

Как пытаются решать многокритериальные задачи? Один из подходов - выбрать т.н. «главный критерий», по которому проводить оптимизацию, превратив остальные критерии в  ограничения. Например, минимизировать средний ущерб, потребовав, чтобы  дисперсия ущерба не превосходила заданной величины.

Иногда  задача многокритериальной оптимизации  допускает декомпозицию. Найдя оптимальное  значение для главного критерия, можно  рассмотреть область возможных  значений для остальных критериев, выбрать из них второй по важности и оптимизировать по нему, и т.д.

Что же делают эксперты? Они выбирают главный  критерий (или упорядочивают критерии по степени важности), задают численные  значения ограничений, иногда точность или время вычислений.

Второй  основной подход - это свертка многих критериев в один интегральный и  переход к оптимизации по одному критерию. Например, рассматривают  линейную комбинацию критериев. Строго говоря, метод «главного критерия» - один из вариантов свертки, в котором  вес главного критерия равен 1, а  веса остальных - 0. Построение свертки, в частности, задание весов, целесообразно  осуществлять экспертными методами.

Используют  также методы, основанные на соображениях устойчивости (наиболее общий подход к изучению устойчивости рассмотрен в монографии). При этом рассматривают область значений управляющих параметров, в которых значение оптимизируемого одномерного критерия (главного параметра или свертки) отличается от оптимального не более чем на некоторую заданную малую величину. Такая область может быть достаточно обширной. Например, если в линейном программировании одна из граней многогранника, выделенного ограничениями, почти параллельна плоскости равных значений оптимизируемого критерия, то вся эта грань войдет в рассматриваемую область. В выделенной области можно провести оптимизацию другого параметра, и т.д. При таком подходе эксперты выбирают допустимое отклонение для основного критерия, выделяют второй критерий, задают ограничения и т.д.

Отметим, что рассмотренные выше вероятностно-статистические подходы к оцениванию рисков предполагают использование в качестве критериев  таких характеристик случайной  величины, как математическое ожидание, медиана, квантили, дисперсия и др. Эти характеристики определяются функцией распределения случайного ущерба, соответствующего рассматриваемому риску. При практическом использовании этого подхода  перечисленные характеристики оцениваются  по статистическим данным. Они оцениваются  по выборке, состоящей из наблюденных  величин ущерба. Согласно правилам главы 4 при этом необходимо вычислять  доверительные интервалы, содержащие оцениваемые теоретические характеристики с заданной доверительной вероятностью. Таким образом, критерий, на использовании  которого основана оптимизация, всегда определен лишь с некоторой точностью, а именно, лишь с точностью до полудлины доверительного интервала. Таким образом, мы приходим к постановке, рассмотренной в предыдущем абзаце.

Необходимо  обратить внимание на существенное изменение  ситуации в области вычислительной оптимизации за последние 40 лет. Если в 1960-е годы из-за маломощности тогдашних  компьютеров большое значение имела  разработка быстрых методов счета, то в настоящее время внимание переносится на постановки задач  и интерпретацию результатов. По нашим наблюдениям, это объясняется  не только наличием различных программных  продуктов по оптимизации, но и тем, что почти любую практическую задачу оптимизации можно решить простейшими методами типа переборных (перебирая возможные значения управляющих  параметров с маленьким шагом), либо методом случайного поиска, поскольку  быстродействие современных компьютеров  позволяет это сделать. 

     Заключение

     Статистические  методы прогнозирования - научная и  учебная дисциплина, к основным задачам  которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных; развитие теории и практики вероятностно-статистического  моделирования экспертных методов  прогнозирования, в том числе  методов анализа субъективных экспертных оценок на основе статистики нечисловых данных; методов прогнозирования  в условиях риска и комбинированных  методов прогнозирования с использованием совместно экономико-математических и эконометрических (как математико-статистических, так и экспертных) моделей.

     Статистические  методы прогнозирования основаны на использовании количественной информации о состоянии и поведении исследуемого объекта. Эта информация является ретроспективной, т.е. она описывает состояние и  поведение объекта в прошлые  моменты времени. Исследователь, анализируя эту информацию, выявляет качественную картину поведения объекта в  прошлом, определяет тенденцию его  развития.

     Экстраполятивные  методы прогнозирования одни из самых  точных методов прогнозирования, если применяются правильно. Данная группа методов прогнозирования применяется  в ситуациях, когда имеется определенный тренд, который, ожидается, будет продолжаться и в будущем Для успешного  применения методов экстраполяции  необходимо наличие довольно длинных  временных рядов данных. С помощью  скользящей средней успешно прогнозируются временные ряды, однако на практике этот метод используется редко из-за грубых результатов. При использовании  метода наименьших квадратов, метода скользящих средних, гармонических весов прогнозируется только детерминированная компонента ряда динамики и не учитывается случайная  компонента.